世界模型

Self-Curriculum Model-based Reinforcement Learning for Shape Control of Deformable Linear Objects

基于自课程模型的可变形线性物体形状控制强化学习

Zhaowei Liang, Song Wang, Zhao Jin, Shirui Wu, Dan Wu

机构 * Department of Mechanical Engineering, Tsinghua University（清华大学机械工程系） 纠错

专题命中 模型式强化学习 ：model-based reinforcement learning(title,abstract)；分类 cs.RO；dynamics model(abstract)

AI总结 提出两阶段框架，结合基于模型强化学习与在线视觉伺服，通过自课程目标生成机制实现可变形线性物体高效精确的形状控制，在仿真和真实任务中优于主流方法。

Comments Accepted to IROS 2026

Latent Dynamics Graph Convolutional Networks for model order reduction of parameterized time-dependent PDEs

隐式动力学图卷积网络用于参数化时变偏微分方程的模型降阶

Lorenzo Tomada, Federico Pichi, Gianluigi Rozza

机构 * mathLab, Mathematics Area, SISSA, via Bonomea 265, I-34136 Trieste, Italy（SISSA数学实验室） 纠错

专题命中 模型式强化学习 ：latent dynamics(title,abstract)；分类 cs.LG

AI总结 本文提出LD-GCN，一种数据驱动的编码器-free架构，通过隐式空间建模时间演化，实现降阶动态分析与零样本预测，数学上通过通用逼近定理验证，应用于复杂计算力学问题。

Rethinking Object-Centric Representations for Video Dynamics Modeling

重新思考面向对象的视频动态建模表示

Amaury Wei, Ismail Nejjar, Olga Fink

机构 * Intelligent Maintenance and Operation Systems (IMOS) École Polytechnique Fédérale de Lausanne（洛桑联邦理工学院智能维护与操作系统实验室（IMOS）） 纠错

专题命中 模型式强化学习 ：dynamics model(title)；分类 cs.AI、cs.LG、cs.CV

AI总结 提出STAITUS框架，通过解耦每个槽为外观和几何位姿，在运动、遮挡等场景下实现更清晰的分割和更稳定的身份保持。

Comments 17 pages, 6 figures